Solidigm? D5-P5336 122 TB 固態(tài)硬盤于2024年底發(fā)布,可提供超大容量的存儲(chǔ)容量,使客戶能夠訪問每個(gè)節(jié)點(diǎn)近6PB的存儲(chǔ)空間1,并大大降低硬件要求、運(yùn)營費(fèi)用和能耗。戴爾 科技 于2025年4月8日宣布,戴爾PowerScale系統(tǒng)現(xiàn)在可配備 Solidigm 122TB 固態(tài)硬盤并結(jié)合最新的OneFS軟件創(chuàng)新。

戴爾是第一家提供122TB 固態(tài)硬盤存儲(chǔ)系統(tǒng)的基礎(chǔ)設(shè)施提供商。PowerScale最近的更新解決了與存儲(chǔ)容量、成本效益、能耗和系統(tǒng)適應(yīng)性相關(guān)的關(guān)鍵問題,幫助企業(yè)在以數(shù)據(jù)為中心的環(huán)境中發(fā)展。

Solidigm D5-P5336 122TB是Solidigm最新的創(chuàng)新型固態(tài)硬盤,體現(xiàn)了超高密度創(chuàng)新成果。每個(gè)設(shè)計(jì)元素都經(jīng)過精心優(yōu)化,以極大限度地提高存儲(chǔ)密度,同時(shí)極大限度地降低功耗和物理空間,從而打造出市場上超密集、超高效的 固態(tài)硬盤。

自2022年7月推出首款基于QLC的大容量固態(tài)硬盤以來,Solidigm一直是PowerScale的固態(tài)硬盤提供商之一。此后,隨著Solidigm D5-P5336 61TB固態(tài)硬盤于2024年推出,PowerScale系統(tǒng)密度翻了一番,從每節(jié)點(diǎn)約1.5PB增加到每節(jié)點(diǎn)約3PB。2025年推出的Solidigm D5-P5336 122TB產(chǎn)品再次將PowerScale的密度從每節(jié)點(diǎn)約3PB 增加到每節(jié)點(diǎn)約6PB。這大大降低了能耗、提高了性能和冷卻效率并減少了空間占用,以支持更加環(huán)保的未來數(shù)據(jù)中心。

“AI機(jī)遇要求當(dāng)今的企業(yè)在基礎(chǔ)設(shè)施、電力和空間方面做出關(guān)鍵決策。戴爾科技相信,更高的密度提供了極大化存儲(chǔ)能效、極小化數(shù)據(jù)中心占用空間的途徑”,戴爾科技ISG產(chǎn)品管理高級(jí)副總裁Travis Vigil表示,“隨著不斷提高解決方案中的存儲(chǔ)密度,我們期待著像Solidigm全新122TB D5-P5336 固態(tài)硬盤這樣的持續(xù)存儲(chǔ)創(chuàng)新。”

隨著AI應(yīng)用的迅速崛起,數(shù)據(jù)呈爆炸式增長,企業(yè)必須跟上不斷變化的環(huán)境。戴爾的優(yōu)勢(shì)在于其適應(yīng)性強(qiáng)的基礎(chǔ)架構(gòu),具有專為要求最苛刻的AI工作負(fù)載構(gòu)建的領(lǐng)先分布式文件和對(duì)象存儲(chǔ)。PowerScale是現(xiàn)代數(shù)據(jù)中心的基石,助力著企業(yè)和超大規(guī)模數(shù)據(jù)中心創(chuàng)新。與Solidigm 122TB 固態(tài)硬盤一起,企業(yè)可以專注于交付AI創(chuàng)新,而不必?fù)?dān)心數(shù)據(jù)存儲(chǔ)在哪里,并從固態(tài)硬盤的5年無限耐用性中獲益。

“數(shù)據(jù)是AI引擎的燃料,存儲(chǔ)需求正在增加”,Solidigm戰(zhàn)略規(guī)劃與 營銷 高級(jí)副總裁Greg Matson表示,“在某些情況下,我們看到存儲(chǔ)設(shè)備的耗電量可占運(yùn)營耗電總量的30%左右2 我們122TB 固態(tài)硬盤的空間和效率優(yōu)勢(shì), 可以幫助戴爾PowerScale大幅提高基礎(chǔ)設(shè)施效率。”

注釋:

1來源:戴爾。基于有效容量分析,考慮在配置適當(dāng)?shù)募褐惺褂?122TB 固態(tài)硬盤的數(shù)據(jù)縮減(發(fā)布日期:2025 年 5 月 28 日)。PowerScale還保證2:1的數(shù)據(jù)縮減比率,詳情請(qǐng)參閱條款和條件:dr-guarantee-tc-powerscale.pdf。實(shí)際數(shù)據(jù)縮減率可能會(huì)有所不同。

2來源:Solidigm和行業(yè)來源,包括 Meta和斯坦福大學(xué)的論文《Understanding Data Storage and Ingestion for Large-Scale Deep Recommendation Model Training》。